Description de la formation
|
IBS_IA_MACHINE_LEARNING
|
|
Présentation :
Initiez-vous à l’Intelligence Artificielle (IA) et au Machine Learning (ML) avec cette formation qui vous emmène des concepts de base aux applications pratiques.
Explorez la préparation des données, le développement de modèles, et les enjeux éthiques, tout en approfondissant les algorithmes clés et les bases des réseaux de neurones.
À travers des ateliers concrets et un projet final inspiré d’un défi d’entreprise, vous poserez les jalons d’une expertise solide en IA et ML.
Objectifs :
Comprendre les concepts fondamentaux de l’IA et du ML
Préparer efficacement des données pour l’apprentissage
Développer et évaluer des modèles de Machine Learning
Déployer des solutions en production
Intégrer les considérations éthiques et techniques
Programme :
1 - Introduction à l’IA et au Machine Learning
Définition et évolution historique de l’IA
Distinctions : IA, ML, Deep Learning
Principaux cas d’usage en entreprise
Présentation des outils : Python, TensorFlow, Scikit-learn
Travaux pratiques : installation et test de Scikit-learn
2 - Collecte et préparation des données
Identification des types de données (structurées, non structurées)
Techniques de nettoyage : gestion des outliers et données manquantes
Réduction de dimensionnalité avec PCA
Normalisation et encodage pour l’apprentissage
Travaux pratiques : préparation d’un dataset CSV
3 - Types d’apprentissage en ML
Apprentissage supervisé : régression et classification
Apprentissage non supervisé : clustering et segmentation
Apprentissage par renforcement : principes de base
Introduction au Deep Learning et ses applications
Travaux pratiques : application de K-Means sur un dataset
4 - Développement et évaluation de modèles
Séparation des données : train, test, validation
Sélection des variables pertinentes pour la modélisation
Mesures d’évaluation : ROC, précision, rappel, F1-score
Optimisation des hyperparamètres avec recherche par grille
Travaux pratiques : évaluation d’un modèle de classification
5 - Mise en production des modèles
Déploiement de modèles sur Azure ML ou plateformes similaires
Création d’une API pour l’accès aux prédictions
Introduction aux principes de MLOps
Surveillance des performances en production
Travaux pratiques : déploiement d’un modèle via Flask
6 - Enjeux éthiques et réglementaires
Conformité RGPD et protection des données personnelles
Détection et correction des biais dans les modèles
Importance de la transparence et de l’explicabilité
Sécurisation des données dans les pipelines ML
Travaux pratiques : analyse d’un biais dans un dataset
7 - Exploration des Algorithmes Clés
Présentation des algorithmes fondamentaux : arbres de décision, SVM
Comparaison des forces et faiblesses des modèles
Introduction aux forêts aléatoires et boosting (ex. XGBoost)
Sélection d’algorithmes selon les cas d’usage
Travaux pratiques : entraînement d’un modèle XGBoost
8 - Introduction aux Réseaux de Neurones
Bases des réseaux de neurones : neurones, couches, activation
Concepts de propagation avant et rétropropagation
Utilisation de TensorFlow pour une implémentation simple
Applications pratiques dans la classification et la régression
Travaux pratiques : création d’un réseau neuronal de base
9 - Projet : Modèle prédictif d’entreprise
Définition d’un cas d’usage professionnel réaliste
Collecte, nettoyage et préparation des données
Entraînement d’un modèle adapté au problème
Évaluation des performances et ajustements
Déploiement via une API et présentation des résultats
Réalisation et validation du projet
|
|
Développeurs
Data analysts
Ingénieurs
Professionnels IT
Curieux de l’IA
|
|
Intelligence Artificielle
Machine Learning
IA
ML
Python
Scikit-learn
TensorFlow
Réseaux de neurones
XGBoost
Apprentissage supervisé
Apprentissage non supervisé
K-Means
API Flask
MLOps
Modélisation
Éthique IA
Biais algorithmique
PCA
RGPD
Classification
Clustering
Azure ML
|
|
Si aucune formation ne correspond à votre recherche, mettez en concurrence 2150 Centres de formation.
Tel : 01 55 58 04 20.
|
Investisseurs
Investors
